轻量化改进YOLOv5s无人机遥感图像识别.pdfVIP

现代计算机第30卷第20期

·20·ModernComputer2024年10月25日

文章编号:1007⁃1423（2024）20⁃0020⁃06DOI:10.3969/j.issn.1007⁃1423.2024.20.004

轻量化改进YOLOv5s无人机遥感图像识别

11*21

杨磊，田立勤，吴骏一，彭凯远

（1.华北科技学院计算机学院，廊坊065201；2.青海师范大学计算机学院，西宁810016）

摘要：近年来，“无人机+”消防、“无人机+”巡检、“无人机+”应急等领域广泛应用无人机，对无人机遥感图像

进行识别是在各领域实现“无人机+”的关键。但是，无人机遥感图像复杂的信息，大量的小目标给目标检测带来了巨

大的挑战，随着深度学习时代的到来，在目标检测性能提升的同时，随之而来的是模型参数量的大量增加。基于此，

以一种轻量化的YOLOv5s改进模型应用到无人机遥感图像识别当中，在提高目标检测性能的同时尽可能减少模型的参

数量。实验结果表明，改进后的模型较原始的YOLOv5s模型mAP和mAP分别提高了7.9和4.3个百分点，模型参数

5050:95

量只增加0.14M。

关键词：YOLOv5s；轻量化；无人机；图像识别；目标检测

0引言先将输入图像划分为S×S个网格单元，然后对

每一个网格进行边框预测，最后去除冗余边框

无人机遥感图像相较于地面拍摄的图像存

和阈值比较低的边框。使用YOLO进行目标检

在着如目标尺度不均衡、空间分布不均衡、样

测不需要在图像上生成候选区域，只需要进行

本数量不均衡、类别语义不均衡和优化目标不

一次前馈网络，因此具有更快的检测速度。

［1］

均衡五大不均衡问题。无人机遥感图像中复杂由于无人机航拍的角度、拍照环境中光照

的背景、大量的小目标、云雾、光照、遮挡、正强度的影响，导致无人机遥感图像中目标检测

样本只覆盖整张图片中的一小部分等问题都会给［6］

识别率不高。基于此，本文对单阶段目标检

无人机遥感图像的识别带来巨大的挑战。测中的YOLOv5s模型进行改进，在颈部网络

随着深度学习时代的到来，很大程度上提（Neck）中替换原始模型中的Upsample上采样层

升了目标检测的性能，基于深度学习的目标检为CARAFE上采样，在原始模型的损失函数中

［2］

测分为单阶段目标检测和双阶段目标检测。引入OTA（OptimalTransportAssignment）损失函

［3］

双阶段目标检测如Faster⁃RCNN，其工作原理数，提出以一种轻量化YOLOv5s改进应用到无人

是先用卷积神经网络（CNN）来提取特征，然后机遥感图像的识别当中。改进后的模型在mAP50

在图像上生成一些候选区域，在候选区域里面和mAP